Hasil Pencarian  ::  Simpan CSV :: Kembali

"Untuk menangani gangguan pada proses operasi nonlinear diperlukan suatu bentuk pengendalian. Representative Model Predictive Control (RMPC) adalah salah satu cara untuk memperoleh sekumpulan MPC lokal yang dapat merepresentasikan keseluruhan rentang operasi. MPC lokal ini nantinya digunakanpada Multiple Model Predictive Control (MMPC) untuk mensimulasikanproses operasi nonlinear multi variabel.Skripsi ini membahas penggunaan RMPC untuk memilih beberapa MPC lokal yang kemudian digunakan sebagai model pada MMPC untuk menangani gangguan. Penelitian ini menggunakan model kolom distilasi biner ?Kolom A? yang disimulasikan dengan perangkat lunak MATLAB. Variabel yang dimanipulasi adalah laju refluks dan laju boil up sedangkan variabel yang dikontrol adalah komposisi produk distilat dan komposisi produk bawah. Hasil IAE MMPC dibandingkan dengan IAE kontroler PI konvensional. Untuk gangguan single step; MPC terbaik dengan IAE 0,2564, lebih baik dari IAE kontroler PI 0,7494.Sedangkan untuk gangguan multi step; MMPC terbaik dengan IAE 0,7730, lebih baik dari IAE kontroler PI 0,9808.

---

In order to handle disturbances in the nonlinear operation some form of control is required. Representative Model Predictive Control (RMPC) is one way to obtain a set of local MPC which able to represent the entire operating range. The local MPC is later used in the Multiple Model Predictive Control (MMPC) to simulate the operation of nonlinear multi-variable process. This thesis discusses the use of RMPC to select some local MPC which is then used as a model for dealing with disturbances in the MMPC. This study uses a model of a binary distillation column "Column A" which is simulated with MATLAB software. The manipulated variable is the rate of reflux and boil-up rate, while the controlled variable is the product composition of the distillate and bottom product composition. MMPC IAE results compared with conventional PI controller IAE. For single step disturbance; the best MPC with IAE 0.2564, is better than PI controller IAE 0.7494. As for the multi-step disturbance; the best MMPC with IAE 0.7730, is better than PI controller IAE 0.9808."

"Model sistem tata udara presisi dimodelkan sebagai sebuah sistem multivariable dengan dua output yaitu temperature dan kelembaban dan dua input yaitu kecepatan putaran motor dan bukaan valve. Pada model ini ada masalah coupling diantara input dan outputnya. Model Predictive Control (MPC) adalah salah satu cara untuk mengatasi masalah coupling dalam sistem multivariable. Pengendali MPC dirancang tanpa constraints untuk menentukan agoritma yang handal.Dari hasil simulasi nampak bahwa parameter-parameter pengendali yang terbaik adalah horizon Hp=10, Hu=4, matrik pembobotan R=0.1, dan Q=3. Dengan parameter ini respon keluarannya mengikuti sinyal set point.

---

Precision Air Conditioning model is defined as a multivariable system with two outputs Temperature and humidity and two inputs, the speed of motor compressor and valve opening. There will be a coupling problem between inputs and outputs. Model Predictive control (MPC) is a way to counter a coupling problems in multivariable system. MPC controller is designed without constraints addition to determine the reliable algorithm.

From the simulation result, it can be seen that the best parameters controller are horizon Hp=10, Hu=4, weighting matrix R=0.1 and Q=3. In this parameter, the output response equal to the trajectory or set point signal."

"Model Predictive Control (MPC) merupakan salah satu metode pengendali prediktif berbasis model yang populer digunakan pada dunia industri. Beberapa keuntungan yang ditawarkan oleh pengendali ini diantaranya adalah kemampuannya dalam menangani sistem multivariabel dengan cukup mudah dan juga kemampuannya untuk memberikan constraints atau batasan tertentu baik pada sinyal pengendali maupun pada keluaran sistem. Sistem Heat Exchanger yang akan digunakan pada tesis ini juga merupakan sistem multivariabel berorde tinggi yang mempunyai dua masukan dan dua keluaran. Model sistem yang dipakai berupa model linear diskrit yang didapat dari linearisasi model linearnya. Hasil pengendalian menggunakan MPC constraints akan dibandingkan dengan MPC unconstraints.

---

Model Predictive Control is one of the predictive control methods that popular for being used in industry. Some advantages offered by this controller are its ability to easily handle multivariable system easier and also its ability to give constraints or certain limitation of controller signal/ on output system.

Heat exchanger system which will be controlled here is also high-order multivariable system with two inputs and two outputs. The system model that use is discrete linear model which is get from linearization of linear model. The result of controller using MPC constraints will be compare with MPC unconstraints."

"Pada sistem kendali konvensional, batasan-batasan seperti amplitudo dan slew rate sinyal kendali tidak diperhitungkan pada proses pengendalian. Hal ini tentu dapat menyebabkan hasil kendali menjadi kurang baik, terutama jika terjadi pemotongan paksa terhadap sinyal kendali sebelum masuk ke plant. Untuk mengatasi hal tersebut dirancanglah suatu pengendali Model Predictive Control (MPC). Dengan MPC, keluaran proses yang akan datang dapat diprediksi dan batasan-batasan yang ada tidak diabaikan sehingga keluaran sistem menjadi bagus. Selain keluaran sistem menjadi bagus, adanya batasan juga dapat membuat kinerja alat menjadi optimal. Skripsi ini bertujuan untuk merancang jenis pengendali Model PredictiveControl (MPC) yang akan diterapkan pada sebuah sistem nyata Level/Flow and Temperature Process Rig 38-003 dengan metode Quadratic Programming. Dalam merancang pengendali MPC untuk Level/Flow and Temperature Process Rig 38-003 ini, penulis menggunakan model yang berbentuk ruang keadaan yang didapat dengan menggunakan metode Kuadrat Terkecil berdasarkan pada data masukan dan data variabel keadaan alat. Masukan sistem adalah tegangan untuk mengatur kondisi servo valve dan keluran yang akan dikendalikan adalah temperatur air hasil keluaran Heat Exchanger sebelum masuk ke sistem Radiator Cooler. Dari uji eksperimen terbukti bahwa metode pengendali MPC dengan constraints memberikan hasil yang lebih baik dibandingkan dengan metode pengendali Ruang Keadaan. Hal tersebut dapat dilihat dari tanggapan sistem hasil pengendalian MPC dengan constraints yang lebih halus dibandingkan dengan tanggapan sistem hasil pengendalian dengan metode pengendali Ruang Keadaan. Perubahan sinyal kendali pengendali MPC dengan constraints juga jauh lebih halus dibandingkan dengan perubahan sinyal kendali pengendali Ruang Keadaan. Kondisi ini akan meningkatkan ketahanan fisik sistem selama uji eksperimen.

---

In conventional control system, some constraints such as amplitude and control signal?s slew rate are not included in the controlling process. So, the result of the control process is not good enough especially if the control signal is forcibly cut before entering the plant. In order to overcome this problem, a Model Predictive Controller is designed. In this MPC control scheme, the few next steps of process output are going to be predicted and some constraints will be ignored so the system output will become precise. In other hand, the occurrence of constraints will improve system?s performance into an optimum condition.

The final purpose of this thesis is to design a Model Predictive Controller (MPC) using Quadratic Programming method which will be applied on a real time system of Level/Flow and Temperature Process Rig 38-003. In designing MPC controller for Level/Flow and Temperature Process Rig 38-003, the writer uses system?s model on state space form which is obtained by using Least Square method in the basis of input and state variables data of the plant. Input for the plant is voltage which will be used to control the position of servo valve whereas the controlled output is water temperature on the pipe that connects Heat Exchanger's output line and Radiator Cooler's input line.

Experiments conducted prove that MPC with constraints controlling scheme will give a better results than State Controller controlling scheme. Generally, it can be seen that system response to MPC controller is much smoother than system response to State Controller. MPC controller also has smoother control signal variance compared to State Controller control signal variance. This condition will actually raise the system's physical reliability during the experiment."

"Dimetil eter DME sebagai energi alternatif yang bersih telah mendapat perhatian dalam beberapa tahun terakhir. Produksi DME dengan distilasi reaktif memiliki potensi untuk menghemat biaya kapital dan penggunaan energi. Meski begitu, kombinasi sistem reaksi dan distilasi dalam satu kolom membuat proses distilasi reaktif menjadi sistem multivariabel yang kompleks dengan perilaku proses yang sangat non linear dan adanya interaksi antar variabel proses yang kuat. Studi ini menginvestigasi pengendalian proses distilasi reaktif DME dengan multivariable Model Predictive Control MPC berdasarkan struktur pengendalian suhu dua titik untuk menjaga kemurnian kedua aliran produk. Model proses diestimasi dengan model first-order plus dead time. Kemurnian DME dan air masing-masing dijaga dengan mengendalikan suhu tahap 5 di zona rektifikasi dan suhu tahap 47 pelucutan. Hasil simulasi menunjukkan bahwa nilai integral of squared error ISE untuk perubahan set point suhu tahap 5 dan 47 dapat dikurangi masing-masing 19,89 dan 18,26 untuk sistem dengan pengendali multivariable MPC dibandingkan dengan pengendali PI konvensional. Selain itu, pengendali multivariable MPC mampu menangani interaksi lup pengendalian yang ditunjukkan oleh respon yang lebih stabil dan tidak berosilasi.

---

Dimethyl ether DME as an alternative clean energy has attracted a growing attention in the recent years. DME production via reactive distillation has potential for capital cost and energy requirement savings. However, combination of reaction and distillation on a single column makes reactive distillation process a very complex multivariable system with high non linearity of process and strong interaction between process variables. This study investigates a multivariable model predictive control MPC based on two point temperature control strategy for the DME reactive distillation column to maintain the purities of both product streams. The process model is estimated by a first order plus dead time model. The DME and water purity is maintained by controlling stage 5 temperature in rectifying section and stage 47 in stripping section, respectively. The results show that the integral of squared error ISE values for the set point tracking in stages 5 and 47 temperatures can be reduced, respectively, 19.89 and 18.26 for the system under multivariable MPC controller compared to the conventional PI controllers. In addition, the MPC controller is able to handle the loop interactions that is shown by more stable and non oscillatory responses."

"Penggunaan komponen pasif pada sistem suspensi kendaraan mempunyai beberapa kelemahan, yaitu sistem tidak dapat menyesuaikan dengan kondisi permukaan jalan yang mengurangi kenyamanan serta keamanan dalam berkendara. Untuk mengatasi masalah tersebut dapat dilakukan dengan menambahkan komponen aktif pada sistem suspensi pasif, yang kemudian lebih dikenal dengan sistem suspensi semi-aktif. Sumber tenaga eksternal tidak diperlukan pada suspensi semi-aktif, sehingga hanya perlu mengubah damping koefisien pada damper. Dengan mengendalikan output berupa suspension deflection dari gangguan eksternal berupa kontur jalan pada model kendaraan full car diperlukan pengendali yang prediktif. Salah satu pengendali prediktif yang umum digunakan dan sudah teruji adalah Model Predictive Control (MPC). MPC digunakan untuk mengendalikan sistem suspensi semi-aktif hasil dari identifikasi sistem dengan metode identifikasi least square bertingkat. Pada laporan skripsi ini diajukan metode simulasi untuk hasil kinerja dari sistem yang akan diuji dengan menggunakan perangkat lunak MATLAB. Sedangkan untuk pengambilan data dan melihat hasil kinerja simulasi pada model kendaraan dengan menggunakan simulator Carsim.

---

The use of passive components in vehicle suspension systems has several disadvantages, one of them is the system cannot adjust to road surface conditions that reduce comfort and safety in driving. To overcome this problem can be done by adding active components to the passive suspension system, which is then better known as a semi-active suspension system. External power sources are not required for semi-active suspensions, so only need to change the damping coefficient on the damper. By controlling the output in the form of suspension deflection from external disturbances in the form of road contours on a full car vehicle model, a predictive controller is needed. One predictive controller that is commonly used and tested is the Model Predictive Control (MPC). MPC is used to control the semi-active suspension system as a result of identifying the system with the multistage least square identification method. In this thesis report, a simulation method is proposed for the performance results of the system to be tested using MATLAB software. Meanwhile, to data collecting and see the performance results on vehicle models using the Carsim simulator."

"Model Predictive Control is an important technique used in the process control industries. It has developed considerably in the last few years, because it is the most general way of posing the process control problem in the time domain. The Model Predictive Control formulation integrates optimal control, stochastic control, control of processes with dead time, multivariable control and future references. The finite control horizon makes it possible to handle constraints and non linear processes in general which are frequently found in industry. Focusing on implementation issues for Model Predictive Controllers in industry, it fills the gap between the empirical way practitioners use control algorithms and the sometimes abstractly formulated techniques developed by researchers. The text is firmly based on material from lectures given to senior undergraduate and graduate students and articles written by the authors"

"Optimalisasi pabrik regasifikasi liqufied natural gas LNG penting dilakukan untuk meminimilasi biaya, khususnya biaya operasional. Oleh karena itu penting untuk memilih desain pabrik regasifikasi LNG dan mendapatkan kondisi operasi yang optimum serta mempertahankan kondisi operasi yang optimum tersebut melalui implementasi model predictive control MPC. Kriteria optimalnya adalah minimumnya jumlah energi yang digunakan dan atau integral of square error ISE. Hasilnya, disain yang optimum adalah menggunakan skema 2 dengan penghematan energi sebesar 40. Sedangkan kondisi operasi yang optimum terjadi jika suhu keluaran vaporizer sebesar 6oC. Untuk mempertahankan kondisi optimum tersebut diperlukan MPC dengan setelan parameter P prediction horizon , M control horizon dan T sampling time sebagai berikut: pengendali tekanan tangki penyimpanan: 90, 2, 1; tekanan produk: 95, 2, 1; suhu vaporizer: 65, 2, 2; dan suhu heater: 35, 6, 5, dengan nilai ISE pada set point tracking masing-masing 0,99, 1792,78, 34,89 dan 7,54, atau peningkatan kinerja pengendalian masing-masing sebesar 4,6 , 63,5 , 3,1 dan 58,2 dibandingkan kinerja pengendali PI. Penghematan energi yang dapat dilakukan pengendali MPC saat terjadi gangguan pada kenaikan suhu air laut 1oC adalah 0,02 MW dan pengendali MPC juga mengurangi error terhadap kualitas produk sebesar 34,25 dibandingkan dengan menggunakan pengendali PI.

---

Optimization of liquified natural gas LNG regasification plant is important to minimize costs, especially operational costs. Therefore, it is important to select the LNG regasification plant design and obtain optimum operating conditions while maintaining the optimum operating conditions through the implementation of model predictive control MPC. The optimal criterion is the minimum amount of energy used and or the integral of square error ISE.

As a result, the optimum design is to use scheme 2 with an energy savings of 40 . While the optimum operating conditions occur if the vaporizer output temperature is 6oC. In order to maintain the optimum conditions, MPC is required with parameter setting P prediction horizon, M control horizon and T sampling time as follows tank storage pressure controller 90, 2, 1 product pressure 95, 2, 1 temperature vaporizer 65, 2, 2 and temperature heater 35, 6, 5, with ISE value at set point tracking respectively 0.99, 1792.78, 34.89 and 7.54, or improvement of control performance respectively 4.6, 63.5 , 3.1 and 58.2 compared to PI controller performance.

The energy savings that MPC controllers can make when there is a disturbance in sea temperature rise of 1oC is 0.02 MW and MPC controller also reduces error to product quality by 34.25 compared to the PI controller."

"Permasalahan terbesar dalam pengendalian reaktor alir tangki berpengaduk adalah sistem yang sangat tidak linear dan multivariabel.Sistem pengendalian konvensional tidak dapat mengontrol sistem semacam ini dengan optimal, sehingga kemurnian produk yang dihasilkan rendah.Multiple Model Predictive Control (MMPC)digunakan untuk mengatasi masalah pengendalian proses yang nonlinear dan melibatkan banyak variabel. Beberapa MPC lokal digunakan pada MMPC diperoleh dengan metode yang baru dikembangkan, Representative Model Predictive Control (RMPC). Penelitian ini menggunakan model reaktor alir tangki berpengaduk yang disimulasikan dengan perangkat lunak MATLAB. Variabel yang dimanipulasi adalah suhu inlet pendingin dan konsentrasi umpan sedangkan variabel yang dikontrol adalah komposisi produk. Untuk perubahan set point konsentrasi produk dari 8,5 sampai 8,6; disarankan menggunakan MMPC 4,1,2.

---

The biggest problem in controlling Continuous Stirred Tank Reactor (CSTR) is nonlinearity in the system. Conventional control system can not optimally control this system, therefore decrease the purity of product. Multiple Model Predictive Control (MMPC), that can be used to control nonlinear and multivariable system, tried to be used on this system. Some local MPC used for MMPC based on new developed method, Representative Model Predictive Control (RMPC).

This thesis using CSTR model which is simulated by MATLAB software. The manipulated variable are cooler inlet temperature and feed concentration, and controlled variable is residual concentration. For the change of residual concentration set point from 8.5 to 8.6 change, the MMPC 4,1,2. is recommended."

"Penelitian ini bertujuan untuk merancang sebuah sistem control dari sebuah robot inverted pendulum menggunakan Model Predictive Control. Dalam penelitian akan digunakan sensor sudut dan posisi sebagai data masukkan untuk komputasi nilai keluaran yang optimal yang perlu diberikan kepada servo dan motor. Komputasi akan dilakukan di komputer yang dihubungkan dengan robot menggunakan protokol komunikasi UART. Program pada komputer juga akan menampilkan kondisi robot. Model Dinamika yang digunakan akan disimulasikan terlebih dahulu sebelum digunakan. Robot dapat mengirimkan data dari sensor dan menjalankan keluaran optimal yang sudah dikomputasi.

---

This research is aimed to design a control system from inverted pendulum robot using Model Predictive Control. This research will be using angular and position sensor as input for computing the optimal output for the motor and servo. The computation will be done by a computer that is connected with the robot using UART Communication Protocol. The program that is runned by the computer will also display the robot condition. Dynamics model that will be used will be simulated first before real application. The inverted pendulum robot is able to send data from sensor to the computer and run the optimal output that has been computed."